Claude3.5 vs GPT4o 评测（附使用链接）

蛰伏了三个月，昨晚，OpenAI 的劲敌 Anthropic 宣布了他们的新成员 ——Claude 3.5 Sonnet。

这款新模型到底有什么特别之处呢？

首先，它在理解细微差异、幽默感和复杂指令方面表现得更为出色，其书写风格也更自然、更具亲和力。它还是 Anthropic 最强大的视觉模型，擅长解释图表、图形，甚至能够从不完美的图像中提取文本等任务。此外，它在推理、阅读理解、数学、科学和编码等多个评估基准上表现出色。

总结一下，按照官方的说法，Claude 3.5 Sonnet 是迄今为止最为智能的模型，在多个方面都大大超越了 GPT-4o。

从目前大模型的主流评测来看，Claude3.5 Sonnet在多个评测集上全面超越最强模型GPT4o，说是地标最强不为过了。

但对于用户来说，我们可能不关心评测里这些死板的问题，我们肯定是更关心这个模型对用户问题是不是真的变强了，普通的写诗、写个小作文来说，模型的差异已经没那么大的区分度了，国产模型也在这些方面上追赶的差不多了。

在实际应用中，更重要的是我们希望模型能在复杂指令、复杂任务上不出错，这里我们把一些大模型容易出错的复杂经典问题拿出来，看看新模型到底是不是可以解决它们。

第一题，经典简单数学推理问题，之前国产模型基本全军覆没，GPT3.5也是100%打错，GPT4可以答对。『三人三天三天水，九人九天需要几桶水"』，可以看到sonnet回答推理严谨，并且多次提问答案都是正确的。

第二题，鲁迅和周树人的经典题目，这个题目其实对于国产模型是没有难度的，因为国产模型的中文训练数据是非常丰富的，但对于国外模型，GPT、Gemini等，还是有一定的区分度的，这个也是之前大家经常判断GPT3.5还是GPT4的问题，我们可以看看Sonnet的答案，没有踩坑，还是比较轻松的答对的。

第三题，电梯题，这道题也是之前国产模型全军覆没的题目。『我在五楼等电梯，电梯目前在四楼并下行，已知电梯运行每层需要两秒钟，我等电梯上来再下到一楼一共需要多长时间？』。可以看到Claude3.5的这个答案我觉得甚至超过了GPT4，Claude的这个推理过程非常言简意赅，完全理解的题目中的两个坑点，一是电梯四楼并且向下，要先计算下行时间；二是电梯4到1是3层时间。答案是非常完整正确的。

之前评测时还没有GPT4o，刚好我们可以看下4o模型对这道题的答案，可以看到4o的最后推理步骤出了错，踩坑了5-1层的时间是4*2而不是5*2，在这道题上确实看到Claude3.5是更优于GPT4o的，也能看出Claude新模型超强的指令follow能力，这个也是用户在日常应用中最重要的能力，就是对用户指令的精准理解并且执行。

第四题，『写一个长度为10行的故事，把每一行编号；同时满足每行以“苹果”这个词结尾』，这是一道对人类非常简单，但对目前大模型很困难的题目。难点在于语言模型的训练是基于"子词"的，也就是我们经常看到的token。大模型无法直接感知一个单词的首字母或者尾字母是什么，所以这个问题GPT4也无法很好的回答，我们可以看下GPT4和一些国产模型的答案，感受下问题的难度。

GPT4o

文心一眼3.5

GLM4

Kimi

可以看到从上到下依次是GPT4o、文心一言3.5、GLM4、Kimi，从结果上看是全军覆没的，再仔细看的话，GPT4o确实还领先很多，10句话错了2个可以给8分，按照顺序文心一言1分、GLM2分、Kimi3分，这里也能看到国产模型说自己更懂中文可能也不是特别严谨了。接下来看下Claude3.5 Sonnet的结果：

Claude3.5 Sonnet

是一个完美的答案。每句话都是以『苹果』为结尾，这个词语接龙问题算是第一次被大模型完整解决。

以上就是一些历史的经典大模型题目的测试，从有限的几个题目里可以看到Claude3.5 Sonnet是略领先于目前最强模型GPT4o的，并且在回答的速度和流畅性上也有很好的效果，GPT系列对于中文的写作还是有比较明显的AI味，但可以看到Claude系列模型在这方面一直保持着优势，他们写作的文章、小说有更加的拟人化，很难分辨出是AI写出的内容。

这次Anthropic发布的是3.5 Sonnet模型，也就是"中杯"模型，预示着其还有更强的3.5 Opus模型没有发布，可能也是留一手未来对标更强的GPT4.5或者GPT5模型。

如果想使用GPT4o和Claude3.5等模型，可以使用aibox365.com，一站式模型服务，可以使用最新的Claude3.5-sonnet模型。